對談南凱：推翻經典“銀紋理論”后，投身AI+材料創業

從證明“為什么”到探索“怎么做”。

作者 /Oriana

推開AI+材料的門

在美國的實驗室里推翻了一條存在四十年的物理定律后，南凱并沒有感到預想中的狂喜，反而被一種巨大的空白感籠罩。

那是他博士生涯的第四年，兩篇登上了物理學頂刊PRL*的論文，耗盡了此前所有的躊躇滿志。面對屏幕上的公式，他意識到，純粹解釋世界為何如此，似乎已不是故事的終點。一個念頭變得清晰：他想知道如何讓世界變得不同。

*《物理評論快報》：全球物理學界被引用次數最多的期刊，發表過約20篇后來獲諾貝爾獎的研究。

回到起點。

南凱的本科在天津大學一個實驗班里，學校把精密儀器領域多個專業的核心課程全部打包。前三年，他在激光光學、硬件測控、固體物理和生物醫學儀器之間來回穿梭。

“模式有點像美國那種通識教育，”他回憶道，“對于剛成年、對世界不了解的人來說，是個很好的窗口，你有機會自己去了解到底要學什么，而不是只聽別人說?！庇谑?，他懷著一種“比較崇高的想法”選擇了生物醫學工程，渴望做些有意義的事。

大四赴美交換，他沉浸于構建光學系統來無損傷探測人體組織。2016年正值人工智能的浪潮初涌，還沒有現成的大數據集。他需要從幾萬張醫學圖像中，親手構建數據集、為算法尋找規律。這段經歷讓他體驗到了用新工具解決老問題的愉悅。

正是這種愉悅，讓原本無意學術的他，在錯過博士申請季后，毅然決定Gap一年，然后奔赴南佛羅里達大學攻讀物理博士。“有自己的公寓，有獎學金，能安心做想做的事，”他笑著形容，“簡直就是人間天堂?！?/p>

天堂里亦有煉獄。

南凱選擇了凝聚態物理中一個名為“軟物質”的艱深角落，并直接瞄準了一個目標：挑戰一項被學界默認了四十年的經典理論。

接下來的三年，是日復一日的不確定。早晨醒來先在房間里思索今天的方向，然后鉆進實驗室，直至夜色深沉。沒有社交媒體的熱鬧分享，少有同行間的即時討論，物理領域的探索常是寂靜而孤獨的。

“第一年你躊躇滿志，第二年你信心滿滿，第三年已經有點心灰意冷?！蹦蟿P平淡地描述那種狀態。

終于在讀博的最后一年厚積薄發，他以兩篇論文、三個新公式完成了這場艱難的長跑——推翻了由美國物理學家E. J. Kramer等人建立的經典銀紋理論預測，證明曾被認定必然脆性的半剛性聚合物玻璃可以具備延展性，為設計新型高韌性柔性電子材料打開了新思路。

然而，勝利的滋味是復雜的，長久的自我較勁讓他感到“半條命沒了”，也讓他對這種純粹的理論探索產生了些許倦意。

他需要新的坐標：先是在字節跳動一個類似“Google X”的前沿團隊里實習，用AI模型解析基因序列；畢業后又加入一家初創公司，用圖像和算法模擬藥物在人體內的釋放過程。這兩段經歷將他從理論的空中樓閣，拉進了產業的實際需求。

他看到了AI在生物醫藥領域已成體系的規則，也敏銳地察覺到一個巨大的反差：在他深耕的材料科學領域，AI的應用少得可憐。

在一次國際會議上，他直接向華裔院士Andrea Liu發問：“為什么我們這個領域用AI這么少？”對方的回答印證了他的觀察：擁抱程度低，即便頂尖課題組，也只有零星嘗試。

他想填上這塊空白。但創業不是寫論文，得找個能落地的口子。直到遇見后來的合伙人，一個在半導體材料里泡了十多年的人。一個懂算法，一個懂產線，模糊的想法終于有了形狀：就從半導體封裝材料切進去，用AI重寫材料研發的老規矩。

如今，南凱創立的公司“SynMatAI（新研智材）”剛滿一歲，團隊只有十余人。他們一邊搭建算法平臺，目標是將傳統需要上千次的實驗，壓縮到幾十次內；另一邊，他們親自研發具體的半導體材料，最快將于明年送樣。

就在今天，SynMatAI發布了最新的Agent“SynMatAgent”，它集成了全部算法工具與能力的智能研發中心，能直接生成可執行的詳細實驗方案以顯著縮短研發周期，并通過持續反饋進行自我優化。

南凱還大方聊起外界對“AI+材料”領域是否足夠原創、實用且精確的的質疑。他理解這種落差：工業界要的是一份能直接投產的配方，而前沿算法給出的往往還是一個遙遠的答案。他清楚，這中間的鴻溝，正是他們這類公司的機會與價值所在。

至于商業模式，他想得很透：賣軟件或專利在材料領域很難走通，真正的路徑是親自下場，成為一家用AI驅動研發的新材料公司。

以下是新物種與SynMatAI CTO南凱的對談，歡迎進入一段從證明“為什么”到探索“怎么辦”的故事。

01.泅渡深水區

新物種：你在南佛羅里達大學攻讀物理博士時具體研究什么？哪些paper或項目讓你印象最深刻？

南凱：我研究的領域偏機理，中文叫“軟物質（Soft Matter）”，屬于凝聚態物理下的一個分支，主要研究這類材料和物質背后的現象與原理。

博士五年，我在頂刊PRL（物理評論快報）上發表了兩篇文章，印象很深。因為前三年幾乎顆粒無收，只發了一篇二作，直到第三、四年才完成這兩篇。整個過程非常漫長，也很折磨人。很多時候覺得做不出來了，不明白為什么理論和現象對不上。后來仿真成功了，又要去解釋它背后的原因。

這兩篇文章提出了三個新公式，像定理一樣，推翻了之前的某些理解。那段時間挺難的，有過很多個心灰意冷的時刻。

新物種：為什么這么難？是因為目標定的太大了嗎？

南凱：確實選了個高難度的起點。其中一篇PRL論文，挑戰的是一個存在了40年的定律——由美國物理學家Kramers提出的理論。一個被學界默認正確的理論，你要去推翻它，這本身就決定了項目的艱難。另一篇則完全是在黑暗中摸索，毫無方向可言。

這和個人追求也有關。有些同學可能會選擇先在普通期刊上發表文章，把數量積累起來。但我更想做些有價值、有創新的研究。

那段時間，每天七八點自然醒來，先發呆思考今天要怎么辦，然后去實驗室一直工作到傍晚。晚上看文獻到11點，打會兒游戲，12點睡覺，很折磨。最大的痛苦在于不確定自己探索的東西究竟有沒有答案。尤其是第二篇PRL，導師也不太確定方向，基本靠我自己摸索。這種狀態下，第一年躊躇滿志，第二年信心滿滿，到了第三年，就有點心灰意冷了。

論文鏈接：
https://link.aps.org/accepted/10.1103/PhysRevLett.129.127801；https://link.aps.org/accepted/10.1103/PhysRevLett.130.166102

南凱在APS（美國物理學會）上進行Oral Talk

新物種：到后面你也開始往產業界探索了，為什么會去字節實習？

南凱：我所在的組類似Google X的跨學科小團隊，隸屬于戰略部，當時成立不到一年，才十來個人，既要做前沿的生物項目孵化，也要做行業研究，可能還會參與投資評估。我覺得這種混合模式很有意思，能接觸不同背景的人，就決定加入。

團隊主要聚焦三個方向：大分子、小分子和核酸。我選了核酸，具體是用BERT模型預測mRNA的序列結構（也就是堿基排列），然后再通過模擬來評估這些結構的穩定性。簡單說，就是兩步：生成序列，然后驗證它穩不穩定。

新物種：那你畢業后沒想過做AP（助理教授）嗎？為什么會選DigiM這個偏醫藥的offer？

南凱：我糾結了很久。其實我之前沒想過做教授，因為對我而言這種生活有些一成不變。雖然發了文章后也拿到了博后邀請，但最終還是決定徹底換個環境。很大程度上是因為寫那兩篇PRL的過程太折磨了，我不想再重復那種壓抑。

后來選擇加入DigiM，是因為他們做的東西很特別。當時很多AI醫藥都集中在藥物發現早期，比如找靶點或設計分子。但DigiM關注的是偏后期的問題：一個已經做出來的藥，在人體內需要多久釋放、多久吸收？他們用AI分析藥物的微觀圖像，再結合流體力學等物理規律來模擬整個過程，這能大幅減少真實的生物實驗。

我覺得這是一個被大多數人忽略、但又很有前景的方向。如果我要花十年時間做一件事，我希望它足夠新穎，能讓我在十年后回想起來依然覺得值得。這份工作給了我這種感覺。

02.時機到了

新物種：感覺你還是挺想在這長期發展的，那為什么在DigiM工作不久后，就選擇回國創業？

南凱：其實從字節實習開始，我就一直想做“AI+”的交叉方向。我的學術背景是研究物質機理，本質上更貼近材料。但在參加學術會議時，我發現我們這個領域和AI的結合非常少。

有一次我和領域里的大牛、美國院士Andrea Liu交流，我直接問她為什么我們這里用AI這么少？她說，整個領域對這個的擁抱程度確實不高，她的實驗室很大，但也只有一小部分人在做相關嘗試。

這讓我感觸很深。在生物領域，AI已經發展了二十多年，形成了一套成熟的玩法。但在材料這里，幾乎還是個空白。我一直想填補這個空白，但不知道從哪里切入。創業不是做學術課題，必須找到能落地的具體問題。如果只做研究，那我不如去當教授自己搞實驗室。

轉機出現在我遇到現在的合伙人、我們的CEO。我們是在一次會議上認識的。他在半導體材料產業有多年經驗，而我偏算法背景。這樣，一個懂產業和工藝，一個懂算法和模型，剛好互補。我們聊起這個想法，都覺得時機到了，找到了從半導體封裝材料切入的具體路徑，這才決定回來創業。

新物種：時機成熟主要有哪些具體條件？

南凱：主要是三個層面都準備好了。

第一是算力，AI for Science 用的算法通常不是最前沿的，現有的算力已經足夠。第二是算法本身，經過這些年的發展，AI的框架和開源工具已經很成熟了。第三是數據，材料領域發展多年，有了一定的積累。

這三者結合，到了比較好的切入點。雖然材料和生物很不一樣，但我們可以參考 AI for Biotech 領域的發展路徑，學習如何將AI應用到一個傳統學科里。

新物種：那你當時為什么選擇做CTO，而不是CEO？

南凱：我很認同的一個觀點是，開公司最大的困難是管人，而不是技術。我現在還不擅長統籌管理或把握公司整體方向。

做To B的產業化落地，需要對行業有很深的積累，比如供應鏈、制造這些非常復雜的事情。如果沒有相關背景或資源，一個人很難完成。作為CTO，我可以專注在技術上，同時也能在這個過程中學習。

新物種：明白，還請用一句話通俗介紹SynMatAI是做什么的。

南凱：我們希望通過AI來替代部分材料研發工作。具體來說，是讓AI像工程師一樣，完成從研發、生產到量產的整個流程。

新物種：現階段主要輔助哪個環節？

南凱：目前各個環節都能輔助。我舉個例子：假設研發一款材料需要做1000次實驗，有經驗的工程師可能要做200次，而我們的AI目標是將實驗次數降到20次。這個輔助作用貫穿小試、中試和客戶適配全階段。

材料研發周期長，就是因為這三個階段都得反復調整，就像做飯——在家做兩人份和給食堂做一百人份，調料比例不是簡單放大；菜館開在廣東還是四川，辣度也要調整。

我們的AI能在每個階段，都把最有可能成功的方案篩選給工程師，省去大量試錯。工程師每做一次實驗，數據反饋給AI，AI的下次預測就會更準，形成一個不斷優化的循環。

新物種：那你們是自研模型嗎？還是基于大模型微調的嗎？

南凱：我們有很多模型，包括大模型和小模型。有些是基于通用模型用材料數據微調的，但更多是專門為不同任務自研的。材料研發變量太多，一個模型不夠用，需要多個模型協同工作。

比如，我們有專注于結構和性能映射的“EvoNet”，也有基于物理機理的模擬仿真模型“EvoSim”。機理模型給出理論理想值，AI模型給出預測值，兩者相互參照，共同得出更接近實際的結果。

新物種：你們專注于哪類材料？比如高分子？

南凱：我們目前主要聚焦在半導體相關材料。

新物種：未來會一直專注半導體材料，還是會涉及其他類型的材料，做更通用的平臺？

南凱：從長遠愿景看，比如以50年為目標，我們當然希望做成一個通用的平臺。但務實地說，必須先在半導體材料這個垂直領域做深、形成商業閉環，有了成功案例后才能向外擴展。這就像造機器人，不能一上來就讓它什么都會，得從跳舞、抓取等具體技能一步步做起。

03.彎道超車

新物種：創業這一年間，你們遇到的最大困難或意外是什么？

南凱：首先因為我們正在同時推進的商業模式有兩塊：一是提供軟件去賣私有化部署和扮演CRO的角色去共同研發某個材料，二是自己下場研發材料。

真正對接產業時才發現兩大困難。一是很多材料公司對AI的理解非常有限；二是整個產業鏈的復雜程度超乎想象，很多環節的電子化程度極低。

比如，很多公司至今仍靠手寫記錄實驗過程和結果。好些的用Excel，但那只是個文件，不是結構化的數據庫。這些是以前根本想不到的細節，都成了實實在在的障礙。

新物種：那針對材料研發和算法優化的業務，如何判斷成功率？有無具體案例？

南凱：我們主要通過實際實驗來驗證算法的成功率，這是衡量技術是否work的核心。與此同時，我們投入的重點是自研新材料，用自己的算法平臺推動實際研發。

一個最直接的案例就是我們自研的半導體材料進展很快。公司2024年底成立，預計明年就能送樣測試，這個速度本身就是對技術有效性的一個證明。

新物種：你覺得AI+材料的商業閉環打通了嗎？沒有的話，可能的模式是什么？

南凱：現在還沒有打通。比如一些公司，主要客戶還是高校和研究所，這不算成熟的商業模式。

參考AI+生物醫藥，目前有幾條路：賣IP（賣專利）、賣軟件、或者自己研發藥物。其中自己研發的模式相對最成功。

但材料領域很不一樣。第一，高質量公開數據很少；第二，材料缺乏像醫藥那樣嚴格的專利保護和審批監管，一個配方被知道后，別人稍作調整就能做出中低端產品，所以“賣IP”很難成立。至于“賣軟件”，因為缺乏數據，軟件效果有限，而想用客戶數據優化，客戶又不可能提供自己的核心商業秘密。

所以走下來，可能只有一條路：自己下場做材料，成為AI驅動的新材料公司。目前整個行業還沒有完全跑通的先例，但我們的商業邏輯就是以軟件為輔，以自己研發材料為主，我們認為這條路是可行的。

新物種：你們如何解決材料領域內高質量數據稀缺的問題？

南凱：我們現在是從幾個方面獲取數據：一是我們創始團隊過去積累的私有實驗數據；二是正在自建的無人實驗室，用于驗證并產生新數據；三是更關鍵的，我們從領域專家那里提取和結構化“Know-How”。

僅有實驗數據往往只能解決特定問題，結合了Know-How的數據才能提升模型的泛化能力。我們也會使用仿真數據，但它主要提供理論或理想上的參考值。

新物種：作為初創公司CTO，你如何看待與DeepMind、微軟等大廠以及傳統材料公司的關系？

南凱：像DeepMind、微軟，它們的研究偏向前沿探索，離實際應用比較遠。而像3M、三星這樣的大公司內部研究院，雖然也在做，但往往有“大公司病”，進展并不順利。

我覺得，如果一個領域沒有很多人投入，反而說明它可能沒有潛力。玩家越多，才證明賽道越有活力。

對于初創公司來說，我們的優勢在于靈活，沒有大公司的管理包袱。同時，AI技術本身也給初創公司帶來了彎道超車的機會。當你有深厚的行業知識（Know-How）時，AI能幫助你更快實現突破。

新物種：具體來看，初創公司的機會在哪些環節？

南凱：機會是全面的。這又回到了剛才說的商業模式。

如果做軟件，初創公司反而有優勢。想象一下，如果3M推出一款材料研發軟件，它的競爭對手杜邦、漢高肯定不會買。但作為獨立的初創公司，就沒有這個問題。

如果自己做材料，初創公司的優勢在于專注和靈活?？梢约兴匈Y源，專攻某一個高端材料品類。利用AI能力，一些用傳統方法極難研發的材料，可能會被更快地做出來。

新物種：那對比中美呢？在大模型領域，中美差距現在可能縮小到了3個月。你認為在AI+材料領域的差距是多少？

南凱：我了解的情況是差距不大甚至有優勢。這又回到了剛才的話題：材料最終要落實到生產，而產能基本都在中國，這會帶來數據獲取上的優勢。

除了數據層面有優勢，至于算法，現在國內大模型也很強，差距不明顯。AI for Science通常不需要最前沿的算法，所以算法差距更小。

比如說美國有家做超導材料的明星初創公司，估值很高。但我們是做半導體的，兩者方向不同，很難直接比較誰更先進。整體上，我不覺得美國有顯著領先，我們在數據上反而有優勢。

04. 非標的實驗科學

新物種：無論是具身智能還是Agent，都有過被評價為泡沫的質疑，AI+材料也存在類似的情況嗎？你認為AI會徹底重塑材料科學嗎？

南凱：AI+材料現在還很新，從工業角度沒幾年，所以不好下結論判斷泡沫。但我認為AI肯定會改變這個領域。材料科學的核心挑戰在于它是一個實驗科學，變量太多，不得不依賴大量試錯。

如果未來AI足夠強大，能夠獲取并理解海量、多類型且有權重差異的數據（不僅僅是做數值擬合），那么它就有可能減少對這種試錯的依賴。這里的關鍵是，必須是“科學領導AI” ，要讓AI理解數據背后的物理含義，而不是反過來。當AI能真正理解物理世界，并擁有足夠參數時，它就一定能重塑這個領域。

新物種：今年國際上有不少AI發現材料的重磅新聞，但也伴隨很多爭議。比如微軟MatterGen登上自然雜志，卻被一些科學家批評原創性、實用性不足。你從產業一線看，怎么看待這種質疑與落差？

南凱：材料領域的成果不那么直觀可見。有些領域如機器人可以現場演示動作，而AI生成的材料，你只能展示一個結果或者說“我們做出來了”，整個漫長的研發過程很難被直接感知。

此外，材料是實驗科學，必須到能落地。像MatterGen這類基于模擬和AI的預測，和實際實驗的結果可能存在差距，這自然會引發重視實驗的科學家的質疑。

所以，這些爭議部分源于過高的期待——產業界希望AI能直接給出可用的完美方案，但前沿研究和實際應用之間還有鴻溝。同時，AI+材料關注度相對較低，一是因為研發反饋周期長，成果見效慢；二是因為“AI for Science”這個概念本身太寬泛，下面包含了生物、材料等眾多差異巨大的子領域。

新物種：那材料領域有像AlphaFold那樣開源的里程碑模型嗎？

南凱：像MatterGen也開源了，但很難說它是材料界的“AlphaFold”。核心差異在于，AlphaFold預測的蛋白質結構本身就是一個極具價值的終點。

而在材料領域，即使預測出了所有的晶體結構，也遠未結束，因為最關鍵的一步是真的在實驗中把它做出來。預測出的結構可能非常難以合成或實現。所以，材料科學的實驗屬性，決定了很難出現一個像AlphaFold那樣具有轟動性、決定性意義的單一工具。

新物種：那對材料領域來說，什么才是像結構之于蛋白質的那個關鍵因素？

南凱：這很難簡單類比，材料科學本身的范圍就極其廣泛，下面分支眾多。當你具體到要解決什么case時，面前已經存在著無數種不同的材料類型和問題了。這也是這個領域門檻高、難以普及的原因之一。

制藥的目標相對統一（做出可用的藥），且后期流程標準化。而材料研發的每個階段（小試、中試、客戶適配）都可能長達數年，且需要大量非標準的調整。此外，現實中應用的多是復合材料，如何協調多種材料之間的關系是更大的難題。

因此，如果問產業界的一線工程師最想要什么，那可能不是某個結構數據庫，而是一個能直接告訴他“這個材料具體該怎么一步步做實驗”的解決方案。

新物種：最后一個問題。你們團隊對SynMatAI的長期期待是什么？比如五年或十年后，希望成為一家怎樣的公司？

南凱：我們期待AI能真正在材料領域發揮實際作用——它應該能極大地節省人力、釋放勞動力，或者說創造顯著的生產力。我們希望AI能切實帶來這樣的改變。

排版運營 /Teagan

- End -